同学，搭建Python环境并不需要多少时间，去Python官网下载最新版本的解释器、源码包，然后直接安装就行了啊。
如果需要安装其它的包，再去命令行用pip大法：pip install numpy pandas matplotlib, 多灵活，多省事，何来麻烦一说？你装个Anaconda，好几百兆，而且许多包你不一定用得着。
从我的角度看，anaconda解决了一些难不倒我的问题，而又额外带来了一些我不愿碰的问题，所以我不用它。
我是一个Python应用开发者，自诩为高手，不是数据分析师，也不是AI工程师。偶尔做一些数据分析，但没有协作者；偶尔serve和使用一些AI模型，但不需要自己做训练，也没有协作者。因此得出上述结论，更偏向于使用原生Python的生态。
anaconda是一个成功的产品。它最大的特点是All in one的设计思路，给了用户一个开箱即用的产品。并且，这个产品本身即可成为团队协作的标准，确保在我这里运行的结果，在你那里也能轻松复现。
但是对我来说，从零配置原生的Python环境完毕，这个522MB的安装包（以Anaconda3-2020.02-Linux-x86_64.sh为例）都还没下载完。（这个安装包在解压、安装后，总大小3.4GB。）
考虑工程与发布
数据分析师的产出是PPT，AI工程师的产出是论文或模型，因此对某些事不敏感。
我作为Python应用开发者，要考虑一个软件产品从开发到上线的全部流程。基于pip的Python原生生态，在这方面是比较成熟的，而conda相比之下就比较冷门，并且不具备决定性的技术优势。（前面说的conda+pip+apt，如果能优化为仅conda，就能称为决定性的技术优势，战胜pip+apt，然而并没有。）如何做技术选型，是一件显而易见的事。
很纠结Anaconda浪费了一些硬盘空间？
不好意思，在大多数Python应用所有环境总共只有100MB以内（包括系统包、Python运行环境与应用本身）的情况下，一个光Python运行环境就有3.4G的东西，真的大到不能忍。从两个角度来解释吧：
作为一家大公司，以Docker镜像方式发布产品。每次产品上线、扩容时，需要额外复制这么大的无用文件，空耗空间与时间，影响发布效率。我怎么和上头吹，我的秒级发布、秒级回退、秒级扩容？而且还要为这么多组件的安全、维护、开源协议操心。
作为一个小开发者，买个1核1G的服务器，自带40G系统硬盘。由于没什么点击量，因此一台服务器本来预备serve几十个服务，基础镜像也往往挑选小而冷的Alpine。这个Anaconda一上来就是3.4G，小家小业折腾不起啊！
讲真，anaconda不是给码农用的
我还停留在 virtualenv.
而且不打算使用 anaconda.
如果不搞机器学习之类的，为啥要用 anaconda ？我一直挺反感那些无脑推荐 anaconda 的。有人说用 anaconda 主要是用它提供的虚拟环境，难道 pyenv、virtualenv 做不到？
原来用 conda，转回用 virtual env 了
###########
其实在工程使用中，我们有一套控制python环境的有效实践。
对于开发环境来说其实就是pyenv+venv，由代码控制所有依赖的版本和生产环境保持一致。
这anaconda就算了，麻烦的一笔，概念还一堆堆。花时间手工配置，只能说没有用合适的工具而已。
############